Sensibilidad especificidad y valores predictivos
Covid-19 Prevention
Capitulo 7.1
Mediante la sensibilidad, especificidad y valores predictivos podemos determinar la utilidad de una prueba diagnóstica. Utilizaremos una tabla de contingencia o de 2×2 para representar los resultados de la prueba (positivos y negativos) y de la enfermedad (sanos y enfermos) así:
La Sensibilidad (S) indica la probabilidad de clasificar correctamente a un individuo enfermo, es por lo tanto, la capacidad de la prueba para detectar la enfermedad, es decir de todos los enfermos, cuales identifica realmente la prueba:
La Especificidad (E) representa la probabilidad de obtener un resultado negativo en un sano. Indica por lo tanto la probabilidad de clasificar correctamente a los sanos, es decir de todos los sanos, cuales identifica realmente la prueba:
El Valor predictivo negativo (VPN) es la probabilidad de que un sujeto con un resultado negativo en la prueba esté realmente sano. Es decir, de todos los negativos, cuales están realmente sanos:
El Valor predictivo positivo (VPP) es la probabilidad de padecer la enfermedad si se obtiene un resultado positivo en la prueba. Es decir, de todos los positivos, cuáles están realmente enfermos:
En condiciones ideales las pruebas diagnósticas deberían tener elevada sensibilidad y especificidad, pero esto no siempre sucede así. En general, se precisa que las pruebas de screening tengan elevada sensibilidad y las pruebas de confirmación diagnóstica elevada especificidad. En el primer caso se pretende captar a todos los enfermos y en el segundo evitar los falsos positivos. Por ejemplo, en una campaña para la detección precoz del cáncer, la prueba debe tener alta sensibilidad y así evitar que se “escape” algún paciente con cáncer. En cambio, si queremos por ejemplo diagnosticar correctamente de infección por VIH debería tener una elevada especificidad para evitar tratar de forma incorrecta a un paciente que no tenga la infección.
La información que aporta la sensibilidad y especificidad es útil para determinar la validez de la prueba, sin embargo tienen poca utilidad práctica al no indicarnos la probabilidad de tener o no la enfermedad en el paciente que acude a la consulta. En este sentido, los valores predictivos positivos y negativos si ayudan pues informan de la probabilidad que tiene el paciente que acude a la consulta de estar sano o enfermo en función del resultado de la prueba. Por ello, los valores predictivos proporcionan información relevante y presentan elevada utilidad para tomar decisiones clínicas y transmitir a los pacientes información sobre su diagnóstico. Sin embargo, sus valores están muy influenciados por la prevalencia de la enfermedad en la población que estamos estudiando. Así que, si la prevalencia es baja, un resultado negativo permitirá descartar la enfermedad con mayor seguridad, siendo así el valor predictivo negativo mayor. En cambio, si el resultado es positivo no permitirá confirmar el diagnóstico, resultado por ello un bajo valor predictivo positivo. Por otro lado si la prevalencia es alta, un resultado positivo tendería a confirmar la presencia de la enfermedad y si el resultado es negativo no permitirá descartar la enfermedad.
Por todo ello, no pueden ser utilizados como índices a la hora de comparar dos métodos diagnósticos diferentes, ni para extrapolar los resultados de otros estudios a datos propios. En este sentido surgen otros índices que tratan de suplir estas deficiencias como son la razón de verosimilitudes, razón de probabilidad, o cociente de probabilidades. Estos miden cuánto más probable es un resultado concreto (positivo o negativo) según la presencia o ausencia de enfermedad:
Razón de verosimilitudes positiva o cociente de probabilidades positivo: se calcula dividiendo la probabilidad de un resultado positivo en los pacientes enfermos entre la probabilidad de un resultado positivo entre los sanos. Es, en definitiva, el cociente entre la fracción de verdaderos positivos (sensibilidad) y la fracción de falsos positivos (1-especificidad):
Razón de verosimilitudes negativa o cociente de probabilidades negativo: se calcula dividiendo la probabilidad de un resultado negativo en presencia de enfermedad entre la probabilidad de un resultado negativo en ausencia de la misma. Se calcula por lo tanto, como el cociente entre la fracción de falsos negativos (1-sensibilidad) y la fracción de verdaderos negativos (especificidad):
Por ejemplo, supongamos que una prueba diagnóstica serológica para infección por un virus x obtiene un cociente de probabilidades positivo de 5,3. Esto nos indica que un resultado anormal en la prueba es 5,2 veces más probable en un paciente con la infección que en otro sujeto sin la infección por el virus x.
Primero, definir en la vista de variables, la variable enfermedad y la prueba diagnóstica. En este ejemplo vamos a comprobar si los valores elevados de procalcitonina (un marcador de inflamación sanguíneo) (variable Procalcitonina) predicen la aparición de neumonía (variable Neumonía). En este ejemplo se ha asignado el valor “1” a aquellos pacientes con procalcitonina ≥ 0,85 ng/ml y el valor “0” aquellos con procalcitonina< 0,85 ng/ml. A los pacientes con neumonía se les ha dado el valor “1” y a los sin neumonía el valor “0”.
Segundo, ejecutar el análisis en SPSSS. Hacer clic en analizar → estadísticos descriptivos → en tablas de contingencia. En la ventana “Tablas de contingencia” introducir en columnas la variable de enfermedad, en este caso la neumonía y en columnas la prueba diagnóstica, en este caso procalcitonina.
Tercero, en la hoja de resultados obtenemos una tabla de 2×2 en la que se representan los casos con y sin enfermedad (Neumonía) y el número de casos que han dado positivo y negativo en la prueba (procalcitonina>y < de 0,85 ng/ml). Posteriormente bastará aplicar las fórmulas para obtener cada resultado.
En el ejemplo: la S= 33/ (33+3)=0,916, la E= 55 / (55+6)= 0,901, VPN 55/(3+55)=0,948 y el VPP= 33/(6+33)=0,846
En el apartado de material y métodos, simplemente indicar que se ha calculado la sensibilidad, especificidad y los valores predictivos positivos y negativos.
En el apartado de resultados, se puede expresar en valor absoluto o en tanto por ciento. Por ejemplo, en el caso anterior, se puede decir: “la sensibilidad de la procalcitonina para detectar neumonía en los pacientes ha sido del 91,6%, la especificidad del 90,1%, el valor predictivo negativo del 94,8% y el valor predictivo positivo del 84,6%”. Es decir, podríamos decir que si la prueba es muy buena para reconocer a los sanos, pues cuando los valores son negativos, más del 94% no tendrán neumonía.
Ejercicio 9. Utilizar base_demogeneral. Determinar la sensibilidad, especificidad y valores predictivos de leucocitos por encima de 10.000 para la presencia de neumonía.
Solución: Antes de realizar el análisis debemos de transformar la variable (ver apartado base de datos, variables y transformar variables) leucocitos en una categórica a la que hemos denominado leucos10000 (pacientes con >10000 leucocitos se le asigna el valor 1 y con ≤10000 leucocitos se le asigna el valor 0). Obtenemos la siguiente tabla de contingencia:
Tabla de contingencia leucos10000*Neumonía
